ارزیابی تاثیر تبدیلات لگاریتمی و توابع هدف بر میزان کارائی مدل‌های شبکه عصبی در برآورد بار رسوب معلق (مطالعه موردی: حوزه آبخیز سراب قره سو، رودخانه قوری‌چای)

مقدمه و هدف: برآورد صحیح ﺑﺎر رﺳﻮب ﻣﻌﻠﻖ رودﺧﺎﻧﻪ‌ﻫﺎ، ﻧﻘش‌ مهمی در ﻣﺴﺎﺋﻞ ﻣﺮﺑﻮط ﺑﻪ ﻣﺪیﺮیﺖ ﻣﻨﺎﺑﻊ آب، آبخیزداری و علوم وابسته دارد. با توجه به داﻣﻨﻪ وﺳﯿﻊ ﺗﻐﯿﯿﺮات رﺳﻮب معلق در فصول مختلف سال و همچنین ﻣﺎﻫﯿﺖ به شدت ﻏﯿﺮﺧﻄﯽ و پیچیده آن، لازم است از روش‌هایی مناسب که می‌توانند چنین پدیده‌هائی را شبیه‌سازی و برآورد نمایند، استفاده شود.مواد و روش ها: از تبدیل لگاریتمی داده‌ها و الگوریتم بهینه‌سازی ازدحام ذرات چند هدفه (mopso)، در آموزش بهینه مدل‌های شبکه عصبی استفاده شد. بدین منظور در ابتدا، با کمک شبکه عصبی بدون ناظر (som)، داده های دبی جریان و دبی رسوب معلق ایستگاه هیدرومتری مورد مطالعه (دوره آماری 13951364) خوشه بندی و سپس با نمونه گیری از خوشه ها، مجموعه داده های مورد نیاز برای آموزش و آزمون مدل های شبکه عصبی تهیه گردید. پس از آن، به منظور ارزیابی تاثیر به کارگیری تبدیلات لگاریتمی و الگوریتم بهینه سازی mopso، سه سناریو تعریف شد. در سناریوی اول، داده های اولیه (بدون تبدیل لگاریتمی) و الگوریتم گرادیان مبنا رایج در آموزش مدل های شبکه عصبی (پس انتشار خطا)، در سناریوی دوم، الگوریتم پس انتشار خطا و تبدیلات لگاریتمی و در سناریوی سوم، از تبدیلات لگاریتمی و الگوریتم mopso، در آموزش مدل های شبکه عصبی استفاده گردید. یافته ها: ارزیابی و مقایسه نتایج صحت سنجی مدل ها نشان داد که به کارگیری تبدیلات لگاریتمی و الگوریتم mopso، با کاهش خطای rmse و درصد اریبی (pbias) از 49 تن در روز و 21 درصد، در بهترین مدل از سناریو اول، به 30/3 تن در روز و 6/3 درصد، در بهترین مدل ازسناریو سوم، کارائی مدل ها را افزایش داده است. از دیگر نتایج پژوهش، عدم برآورد ارقام منفی برای رسوب معلق بوده که یکی از خطاهای رایج در استفاده از مدل های شبکه عصبی در برآورد رسوب معلق است.نتیجه گیری: استفاده از توابع هدف چندگانه، امکان حساس نمودن مدل‌ها به برآورد دقیق‌تر رسوب معلق در جریان‌های کم یا زیاد را فراهم نموده سبب می‌شوند، شاخص‌های صحت‌سنجی و اریبی مدل‌های داده مبنا بهبود یابند.

Evaluation of the Effect of Logarithmic Transformations and Objective Functions on the Performance of Neural Network Models in Estimation of Suspended Sediment Load (Case Study: Sarab Ghare So Watershed, Ghorichai River)

Extended AbstractIntroduction and Objective: Accurate estimation of river suspended sediment load (SSL) has an important role in water resources, watershed management and related sciences. Due to the high fluctuations of SSL in different seasons of the year as well as its severely nonlinear and complexity nature, it is necessary to use appropriate methods that can simulate and estimate such phenomena.Material and Methods: In this study, data log transformation and multiobjective particle swarm optimization (MOPSO) algorithm were used for optimal training of neural network models. For this purpose, at first, by using unsupervised neural network (SOM), data of flow discharge and suspended sediment load of the studied hydrometric station (Statistical Period 19952016) were clustered. Then, by sampling the clusters, the data set needed to train and test the neural network models were prepared. After it, three scenarios were defined to evaluate the impact of applying logarithmic transformations and MOPSO optimization algorithm In the first scenario, the initial data (without logarithmic transformation) and the common base gradient algorithm in training neural network models (error propagation), in the second scenario, the error propagation algorithm and the logarithmic transforms, and in the third scenario, the logarithmic transforms and the MOPSO algorithm, was used to train neural network models.Results: Evaluation and comparison of the model validation results showed that applying a logarithmic transforms and MOPSO algorithm, by reducing RMSE error and bias percentage (PBIAS) from 49 ton/day and 21%, in the best model of the first scenario, to 30.3 ton/day and 6.3%, in the best model of scenario III, increased the efficiency of the models. Other results of the study are nonestimation of negative values for suspended sediment, which is one of the common errors in using neural network models in estimating suspended sediment.Conclusion: The use of multiple objective functions makes it possible to sensitize the models to more accurately estimate the suspended sediment at low or high flows, thus improving the validation and skewness indices of the base data models.